基于端到端细胞 R-CNN 的全景分割用于病理图像分析

各类癌细胞的形态学特征对于病理科医生判断癌症分期至关重要。为获取定量的形态学信息，本文提出了一种端到端的全分割（panoptic segmentation）网络，用于病理图像分析。近年来，已有多种方法被提出，主要聚焦于语义级或实例级的细胞分割。与现有细胞分割方法不同，所提出的网络能够统一实现目标检测、定位以及对重叠区域（如背景区域）进行像素级类别标注。该统一框架通过优化一种新型语义损失函数，结合区域提议网络（Region Proposal Network, RPN）的边界框损失、RPN的分类损失、分割头中背景-前景分类损失（而非类别特定损失）、所提出细胞目标的边界框损失以及细胞目标的掩码损失来实现。实验结果表明，该方法不仅在2017年MICCAI数字病理学挑战赛数据集上超越了当前最先进的方法，还为全分割挑战提供了一种高效且端到端的解决方案。